Viết sau hội nghị GTC, Web3 có thể cứu vãn năng lực tính toán AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Viết sau hội nghị GTC, Web3 có thể cứu vãn năng lực tính toán AI?
Cuộc cạnh tranh năng lực tính toán GPU đã đến các nền tảng phi tập trung, sức mạnh tính toán càng lớn thì hiệu quả xử lý tương đương càng cao.
Chuyên sâu báo cáo Web3Tác giả: Tả Gia
Thời trang là một vòng tuần hoàn, Web3 cũng vậy.
Near "tái" trở thành chuỗi công khai AI, danh tính đồng sáng lập là một trong những người tạo ra Transformer giúp nó có thể tham dự hội nghị GTC của NVIDIA, thảo luận tương lai của trí tuệ nhân tạo sinh (Generative AI) cùng ông già mặc áo da. Solana, nơi tụ họp io.net, Bittensor và Render Network, đã chuyển đổi thành công sang chuỗi khái niệm AI. Ngoài ra còn có Akash, GAIMIN, Gensyn — những cái tên nổi bật liên quan đến tính toán GPU.
Nếu chúng ta nâng cao góc nhìn, ngoài việc giá tiền ảo tăng, có thể nhận thấy vài sự thật thú vị:
-
Cuộc cạnh tranh sức mạnh tính toán GPU đang đổ dồn về nền tảng phi tập trung, càng nhiều sức mạnh tính toán đồng nghĩa hiệu quả xử lý càng cao, CPU, lưu trữ và GPU được bán kết hợp;
-
Mô hình tính toán đang chuyển từ điện toán đám mây sang phi tập trung, đằng sau đó là sự dịch chuyển nhu cầu từ huấn luyện AI sang suy luận, mô hình trên chuỗi không còn là điều viển vông;
-
Cấu trúc phần cứng và phần mềm cơ bản của kiến trúc Internet chưa có thay đổi căn bản, lớp sức mạnh tính toán phi tập trung chủ yếu đóng vai trò khuyến khích xây dựng mạng lưới.
Trước tiên cần phân biệt khái niệm: Sức mạnh tính toán đám mây trong thế giới Web3 bắt nguồn từ thời kỳ đào tiền ảo bằng máy đào, chỉ việc đóng gói sức mạnh tính toán của máy đào để bán, giúp người dùng tránh khoản chi phí lớn khi mua máy đào. Tuy nhiên các nhà cung cấp thường xuyên "bán quá tải", ví dụ như bán sức mạnh tính toán của 100 máy đào cho 105 người để thu lợi nhuận vượt mức, khiến từ này dần đồng nghĩa với lừa đảo.
Sức mạnh tính toán đám mây trong bài viết này đặc biệt đề cập đến tài nguyên sức mạnh tính toán từ các nhà cung cấp đám mây dựa trên GPU. Vấn đề đặt ra là: các nền tảng sức mạnh tính toán phi tập trung thực sự là con rối phía trước của nhà cung cấp đám mây hay là phiên bản cập nhật tiếp theo?
Sự kết hợp giữa nhà cung cấp đám mây truyền thống và blockchain sâu hơn chúng ta tưởng, ví dụ như nút công khai, phát triển và lưu trữ hàng ngày đều chủ yếu xoay quanh AWS, Alibaba Cloud và Huawei Cloud, nhằm tránh đầu tư đắt đỏ vào phần cứng vật lý. Nhưng vấn đề đi kèm cũng không thể xem nhẹ: trong trường hợp cực đoan, rút dây mạng có thể khiến chuỗi công khai ngừng hoạt động, nghiêm trọng vi phạm tinh thần phi tập trung.
Mặt khác, các nền tảng sức mạnh tính toán phi tập trung hoặc tự xây dựng "phòng máy" để duy trì tính ổn định mạng, hoặc trực tiếp xây dựng mạng khuyến khích, ví dụ như chiến lược tặng thưởng token để tăng số lượng GPU của IO.NET, giống như Filecoin tặng FIL cho việc lưu trữ. Mục đích không phải đáp ứng nhu cầu sử dụng thực tế mà là thúc đẩy giá trị token. Một minh chứng là doanh nghiệp lớn, cá nhân hay tổ chức học thuật hiếm khi thực sự sử dụng chúng cho các công việc như huấn luyện ML, suy luận hay render đồ họa, gây lãng phí tài nguyên nghiêm trọng.
Chỉ là trước sự tăng giá của token và tâm lý FOMO, mọi lời buộc tội rằng sức mạnh tính toán phi tập trung là trò lừa đảo đám mây đều tan biến.
Hai loại ☁️ sức mạnh tính toán, cùng tên nhưng có cùng vận mệnh?
Suy luận và FLOPS, định lượng khả năng tính toán GPU
Nhu cầu sức mạnh tính toán của mô hình AI đang chuyển từ huấn luyện sang suy luận.
Lấy ví dụ OpenAI's Sora, dù cũng được tạo ra dựa trên công nghệ Transformer, nhưng lượng tham số của nó so với mức nghìn tỷ của GPT-4, giới học thuật phỏng đoán dưới mức trăm tỷ, thậm chí Yann LeCun còn nói chỉ có 3 tỷ, tức chi phí huấn luyện thấp. Điều này rất dễ hiểu, lượng tham số nhỏ thì tài nguyên tính toán cần thiết cũng giảm tương ứng.
Ngược lại, Sora có thể cần khả năng "suy luận" mạnh hơn. Suy luận có thể hiểu là khả năng tạo video cụ thể theo chỉ thị. Video lâu nay được coi là nội dung sáng tạo, do đó yêu cầu AI phải hiểu sâu hơn, trong khi huấn luyện tương đối đơn giản, có thể hiểu là tổng kết quy luật từ nội dung hiện có, cứ tăng sức mạnh tính toán lên là sẽ ra kết quả.
Ở giai đoạn trước, sức mạnh tính toán AI chủ yếu dùng cho huấn luyện, phần nhỏ dùng cho suy luận, và gần như bị chiếm trọn bởi các sản phẩm của NVIDIA. Nhưng kể từ khi Groq LPU (Language Processing Unit) ra đời, tình hình bắt đầu thay đổi: khả năng suy luận tốt hơn, cộng với việc mô hình lớn được tối ưu hóa và độ chính xác tăng, AI thông minh, có logic đang dần trở thành xu hướng chính.
Thêm nữa, cần bổ sung về phân loại GPU. Câu nói "game thủ cứu AI" có phần đúng vì nhu cầu mạnh mẽ về GPU hiệu suất cao từ thị trường game đã bù đắp chi phí nghiên cứu phát triển, ví dụ như card 4090, vừa chơi game vừa dùng cho "đào luyện AI" đều được. Tuy nhiên cần lưu ý rằng dần dần card game và card tính toán sẽ tách rời nhau, quá trình này tương tự như việc máy đào Bitcoin phát triển từ máy tính cá nhân sang thiết bị chuyên dụng, chip sử dụng cũng tuân theo thứ tự từ CPU, GPU, FPGA đến ASIC.
Card chuyên dụng cho LLM đang nghiên cứu...
Khi công nghệ AI, đặc biệt là lộ trình LLM ngày càng trưởng thành và tiến bộ, sẽ có ngày càng nhiều nỗ lực tương tự như TPU, DPU và LPU. Tất nhiên, sản phẩm chủ đạo hiện tại vẫn là GPU của NVIDIA. Tất cả lập luận dưới đây đều dựa trên GPU; LPU và các loại khác chủ yếu là bổ sung cho GPU, việc thay thế hoàn toàn vẫn cần thời gian.
Cuộc đua sức mạnh tính toán phi tập trung không tranh giành kênh nhập GPU, mà cố gắng xây dựng mô hình lợi nhuận mới.
Viết đến đây, NVIDIA gần như trở thành nhân vật chính, chủ yếu vì NVIDIA chiếm tới 80% thị phần card đồ họa. Cuộc cạnh tranh giữa N-card và A-card chỉ tồn tại trên lý thuyết, thực tế ai cũng miệng nói không nhưng người hành động rất tích cực.
Vị trí độc quyền tuyệt đối này dẫn đến cảnh tượng các bên tranh nhau nhập GPU, từ RTX 4090 cấp tiêu dùng đến A100/H100 cấp doanh nghiệp đều vậy, các nhà cung cấp đám mây còn là lực lượng chính trữ hàng. Tuy nhiên Google, Meta, Tesla và OpenAI đều đã có hành động hoặc kế hoạch tự sản xuất chip, trong khi các doanh nghiệp Trung Quốc đã lần lượt chuyển sang các nhà cung cấp nội địa như Huawei. Đường đua GPU vẫn cực kỳ đông đúc.
Đối với nhà cung cấp đám mây truyền thống, họ thực chất bán sức mạnh tính toán và không gian lưu trữ, nên việc có dùng chip riêng hay không không bức thiết như các công ty AI. Nhưng với các dự án sức mạnh tính toán phi tập trung, hiện tại đang ở giai đoạn đầu, tức là tranh giành thị phần sức mạnh tính toán với nhà cung cấp đám mây truyền thống,主打廉价和易得（chủ yếu rẻ và dễ tiếp cận), nhưng khả năng xuất hiện chip AI Web3 kiểu như đào Bitcoin trong tương lai là không cao.
Phàn nàn thêm một câu, kể từ khi Ethereum chuyển sang PoS, phần cứng chuyên dụng trong giới tiền ảo ngày càng ít, điện thoại Saga, phần cứng tăng tốc ZK và DePIN quy mô thị trường quá nhỏ, hy vọng sức mạnh tính toán phi tập trung có thể mở ra con đường đặc trưng Web3 cho card tính toán AI chuyên dụng.
Sức mạnh tính toán phi tập trung là bước tiếp theo hay chỉ là bổ sung cho đám mây?
Khả năng tính toán GPU, giới công nghiệp thường so sánh bằng FLOPS (Số phép toán dấu phẩy động mỗi giây - Floating Point Operations Per Second), đây là chỉ số phổ biến nhất để đánh giá tốc độ tính toán. Dù là thông số GPU hay các biện pháp tối ưu hóa song song ứng dụng, cuối cùng đều lấy FLOPS làm chuẩn.
Từ tính toán cục bộ đến lên đám mây mất khoảng nửa thế kỷ, còn khái niệm phân tán tồn tại từ lúc máy tính ra đời. Dưới tác động của LLM, sự kết hợp giữa phi tập trung và sức mạnh tính toán không còn mơ hồ như trước. Tôi sẽ cố gắng tổng hợp nhiều nhất các dự án sức mạnh tính toán phi tập trung hiện có, chỉ xét hai khía cạnh:
-
Số lượng phần cứng như GPU, tức kiểm tra tốc độ tính toán của chúng. Theo định luật Moore, GPU càng mới thì khả năng tính toán càng mạnh, cùng thông số thì số lượng càng nhiều khả năng càng mạnh;
-
Cách tổ chức lớp khuyến khích, thuộc đặc trưng ngành Web3, gồm token kép, chức năng quản trị, chính sách tặng thưởng... giúp dễ hiểu rõ giá trị dài hạn của từng dự án, thay vì quá chú trọng giá token ngắn hạn. Về dài hạn, chỉ cần xem sở hữu hoặc điều phối được bao nhiêu GPU.
Theo góc nhìn này, sức mạnh tính toán phi tập trung vẫn đi theo lộ trình DePIN "phần cứng hiện có + mạng khuyến khích", hay nói cách khác kiến trúc Internet vẫn là nền tảng, lớp sức mạnh tính toán phi tập trung là dạng "ảo hóa phần cứng" rồi thương mại hóa, trọng tâm là truy cập không rào cản, nhưng để thực sự xây dựng mạng lưới vẫn cần sự phối hợp của phần cứng.
Sức mạnh tính toán cần phi tập trung, GPU cần tập trung
Dựa vào khung ba nghịch lý blockchain, tính bảo mật của sức mạnh tính toán phi tập trung không cần xem xét đặc biệt, chủ yếu là phi tập trung và khả năng mở rộng, cái sau chính là mục đích sử dụng sau khi kết nối GPU, hiện tại đang ở trạng thái AI vượt xa các lĩnh vực khác.
Xuất phát từ một nghịch lý: nếu dự án sức mạnh tính toán phi tập trung muốn thành công, thì số lượng GPU trên mạng lưới lại càng cần nhiều càng tốt. Lý do đơn giản là tham số của các mô hình lớn như GPT bùng nổ, không có quy mô GPU nhất định thì không thể đạt hiệu quả huấn luyện hay suy luận.
Tất nhiên, so với sự kiểm soát tuyệt đối của nhà cung cấp đám mây, ở giai đoạn hiện tại, các dự án sức mạnh tính toán phi tập trung ít nhất có thể thiết lập cơ chế truy cập không rào cản và di chuyển tự do tài nguyên GPU. Nhưng vì nâng cao hiệu quả vốn, tương lai không loại trừ khả năng hình thành sản phẩm kiểu "mỏ đào" (mining pool).
Về khả năng mở rộng, GPU không chỉ dùng cho AI, máy tính đám mây và render cũng là con đường khả thi, ví dụ Render Network chuyên về công việc render, trong khi Bittensor chuyên cung cấp huấn luyện mô hình. Nhìn thẳng hơn, khả năng mở rộng đồng nghĩa với các tình huống sử dụng và mục đích.
Do đó có thể thêm hai thông số ngoài GPU và mạng khuyến khích: tính phi tập trung và khả năng mở rộng, tạo thành bốn tiêu chí so sánh. Xin lưu ý, cách làm này khác với so sánh kỹ thuật, thuần túy để giải trí.
Trong các dự án trên, Render Network thực sự rất đặc biệt. Về bản chất, nó là mạng render phân tán, mối liên hệ với AI không trực tiếp. Trong huấn luyện và suy luận AI, các khâu liên kết chặt chẽ, dù là SGD (giảm dần gradient ngẫu nhiên - Stochastic Gradient Descent) hay lan truyền ngược (backpropagation), đều yêu cầu tính nhất quán. Nhưng công việc render thường không cần như vậy, thường chia nhỏ video và hình ảnh để phân phối nhiệm vụ.
Khả năng huấn luyện AI của nó chủ yếu đến từ việc kết nối với io.net, tồn tại như một plugin của io.net. Dù gì thì GPU cũng đang làm việc, làm gì chẳng được. Có tầm nhìn xa hơn là việc nó đầu quân cho Solana khi Solana còn bị đánh giá thấp, sau này chứng minh Solana phù hợp hơn với yêu cầu hiệu suất cao của mạng render.
Tiếp theo là con đường phát triển quy mô "thô bạo" của io.net để đổi lấy GPU, hiện tại trang web liệt kê đủ 180.000 card GPU, đứng đầu trong các dự án sức mạnh tính toán phi tập trung, chênh lệch bậc số lượng so với các đối thủ khác. Về khả năng mở rộng, io.net tập trung vào suy luận AI, huấn luyện AI chỉ là công việc phụ trợ.
Xét về mặt nghiêm ngặt, huấn luyện AI không phù hợp với triển khai phân tán. Ngay cả các LLM nhẹ, lượng tham số tuyệt đối cũng không hề nhỏ, phương thức tính toán tập trung tiết kiệm chi phí kinh tế hơn. Điểm kết hợp giữa Web3 và AI trong huấn luyện chủ yếu là quyền riêng tư dữ liệu và tính toán mã hóa, ví dụ như công nghệ ZK và FHE, trong khi suy luận AI Web3 có tiềm năng lớn. Một mặt, yêu cầu hiệu suất GPU tương đối không cao, có thể chịu đựng mức độ tổn thất nhất định; mặt khác, suy luận AI gần với ứng dụng hơn, việc khuyến khích từ góc độ người dùng khả thi hơn.
Filecoin, một dự án đào đổi token khác, cũng đã ký thỏa thuận sử dụng GPU với io.net, Filecoin đưa 1.000 GPU của mình kết nối vào mạng io.net, cũng là sự hợp tác giữa các thế hệ, chúc hai bên may mắn.
Tiếp theo là Gensyn chưa ra mắt, chúng ta cũng thử đánh giá "trên mây" một chút. Vì vẫn đang trong giai đoạn xây dựng mạng, nên số lượng GPU chưa được công bố. Tuy nhiên, ứng dụng chính của nó là huấn luyện AI, cá nhân tôi cảm giác yêu cầu về số lượng GPU hiệu suất cao sẽ không ít, ít nhất phải vượt qua mức của Render Network. So với suy luận AI, huấn luyện AI trực tiếp cạnh tranh với nhà cung cấp đám mây, thiết kế cơ chế cụ thể cũng phức tạp hơn.
Cụ thể, Gensyn cần đảm bảo tính hiệu quả của việc huấn luyện mô hình, đồng thời để nâng cao hiệu quả, đã sử dụng rộng rãi mô hình tính toán ngoài chuỗi. Do đó, hệ thống xác minh mô hình và chống gian lận cần sự cân bằng giữa nhiều vai trò:
-
Submitters (Người gửi): Người khởi xướng nhiệm vụ, cuối cùng trả chi phí huấn luyện.
-
Solvers (Người giải): Huấn luyện mô hình và cung cấp bằng chứng hiệu lực.
-
Verifiers (Người xác minh): Xác minh tính hiệu lực của mô hình.
-
Whistleblowers (Người tố giác): Kiểm tra công việc của người xác minh.
Nhìn chung, cách vận hành tương tự đào PoW + cơ chế bằng chứng lạc quan, kiến trúc rất phức tạp. Việc chuyển tính toán ra ngoài chuỗi có thể tiết kiệm chi phí, nhưng độ phức tạp kiến trúc sẽ mang lại chi phí vận hành bổ sung. Trong bối cảnh các dự án sức mạnh tính toán phi tập trung hiện tại chủ yếu tập trung vào suy luận AI, ở đây cũng chúc Gensyn may mắn.
Cuối cùng là Akash, con ngựa già vẫn kiên cường. Về cơ bản cùng khởi đầu với Render Network, Akash tập trung vào phi tập trung CPU, Render Network ban đầu tập trung vào phi tập trung GPU. Không ngờ sau khi AI bùng nổ, cả hai đều tiến vào lĩnh vực tính toán GPU + AI, điểm khác là Akash chú trọng hơn vào suy luận.
Chìa khóa giúp Akash hồi sinh là tận dụng vấn đề mỏ đào sau nâng cấp Ethereum, GPU nhàn rỗi không chỉ có thể bán lại trên Xianyu như hàng cũ của nữ sinh, giờ đây còn có thể cùng nhau làm AI, dù sao cũng đang cống hiến cho nền văn minh nhân loại.
Tuy nhiên, Akash có điểm tốt là token gần như流通 toàn bộ,毕竟能是项目老资历了，也积极采用 hệ thống staking phổ biến trong PoS, nhưng nhìn đội ngũ thế nào cũng thấy khá buông thả, không có cảm giác nhiệt huyết tuổi trẻ như io.net.
Ngoài ra còn có THETA về điện toán biên, Phoenix cung cấp giải pháp chuyên biệt trong lĩnh vực sức mạnh tính toán AI, cùng các "cựu quý - tân quý" tính toán như Bittensor và Ritual, tiếc vì hạn chế về diện tích không thể liệt kê hết, chủ yếu vì một số thực sự không tìm được thông số như số lượng GPU.
Kết luận
Nhìn lại lịch sử phát triển máy tính, mọi mô hình tính toán đều có thể xây dựng phiên bản phi tập trung, tiếc nuối duy nhất là chúng không ảnh hưởng gì đến ứng dụng chính thống. Các dự án tính toán Web3 hiện nay chủ yếu vẫn là tự sướng trong ngành, việc đồng sáng lập Near tham dự hội nghị GTC cũng vì danh phận tác giả Transformer chứ không phải danh phận đồng sáng lập Near.
Thậm chí bi quan hơn, quy mô và các đối thủ trên thị trường điện toán đám mây hiện tại quá mạnh, io.net có thể thay thế AWS không? Nếu số lượng GPU đủ nhiều thì thực sự có khả năng, dù sao AWS cũng lâu nay dùng Redis mã nguồn mở làm thành phần nền tảng.
Theo một nghĩa nào đó, sức mạnh của mã nguồn mở và phi tập trung chưa từng được đánh giá ngang hàng. Các dự án phi tập trung quá tập trung vào lĩnh vực tài chính như DeFi, trong khi AI có lẽ là con đường then chốt để tiếp cận thị trường chính thống.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@zuoyeweb3
